Název:
Detekce a klasifikace objektů zájmu zalévacího robotu zpracováním obrazu
Překlad názvu:
Detection and classification of objects of interest for watering mobile robot using image processing
Autoři:
Sladký, Jiří ; Šnajder, Jan (oponent) ; Krejsa, Jiří (vedoucí práce) Typ dokumentu: Diplomové práce
Rok:
2022
Jazyk:
cze
Nakladatel: Vysoké učení technické v Brně. Fakulta strojního inženýrství
Abstrakt: [cze][eng]
Tato práce se zabývá obrazovým zpracováním na autonomním zaléváním mobilním robotu s využitím embedded počítače NVIDIA Jetson Nano. Vybrána a aplikována byla metoda pro detekci objektů YOLOv5, která sloužila k detekci květin a květináčů. Pomocí metody pro monokulární predikci MiDaS byla predikována relativní hloubková mapa. Vytvořen byl algoritmus, který pomocí dat z LiDARu převedl tuto mapu na metrickou. Díky tomu mohla být určena vzdálenost detekovaných květin. Vytvořené nástroje byly implementovány v prostředí ROS a otestovány na reálných datech z vnitřního prostředí.
This thesis deals with image processing on autonomous watering mobile robot using embedded computer NVIDIA Jetson Nano. A method for object detection, YOLOv5, was chosen, which served for detection of flowers and flower pots. Using a method for monocular depth estimation, MiDaS, relative depth map was predicted. An algorithm was created, which converted this map to metric depth map using data from LiDAR. Thanks to that, distance of the detected flowers could be estimated. The created tools were implemented in ROS framework and tested on real data form indoor environment.
Klíčová slova:
ArUco; detekce květin; detekce objektů; indoor; konvoluční neuronové sítě; MiDaS; monokulární predikce hloubky; počítačové vidění; ROS; YOLO; ArUco; computer vision; convolutional neural networks; flower detection; indoor; MiDaS; monocular depth estimation; object detection; ROS
Instituce: Vysoké učení technické v Brně
(web)
Informace o dostupnosti dokumentu:
Plný text je dostupný v Digitální knihovně VUT. Původní záznam: http://hdl.handle.net/11012/206447